转自:http://www./blog/article.asp?id=138 Nutch搜索引擎是一个构建在Lucene上的开放源代码的搜索引擎。可以通过CVS取得它的最新版本。让nutch支持中文分词的方法和Lucene类似,但是nutch很多时候调用了底层的Lucene API。因此需要我们做更多的工作。 一、修改查询分析器 需要修改的文件是:net.nutch.analysis.NutchAnalysis.java。这个文件是从NutchAnalysis.jj使用JavaCC自动生成的,但是我们可以手工修改它以支持中文。 package net.nutch.analysis; import net.nutch.searcher.Query; import java.io.*; /** The JavaCC-generated Nutch lexical analyzer and query parser. */ public class NutchAnalysis { private String queryString; /** Construct a query parser for the text in a reader. */ public static Query parseQuery(String queryString) throws IOException { NutchAnalysis parser = new NutchAnalysis(); parser.queryString = queryString; return parser.parse(); } /** For debugging. */ public static void main(String[] args) throws Exception { String sentence ="厦门大学艺术教育学院副院长李未明教授长期从事音乐教学,"; StringReader input= new java.io.StringReader(sentence); BufferedReader in = new BufferedReader(input); //while (true) { System.out.print("Query: "); String line = in.readLine(); System.out.println(parseQuery(line)); //} } /** Parse a query. */ final public Query parse() throws IOException { Query query = new Query(); StringReader input; input = new java.io.StringReader(queryString); org.apache.lucene.analysis.TokenStream tokenizer = new seg.result.CnTokenizer(input); //just a demo for (org.apache.lucene.analysis.Token t = tokenizer.next(); t != null; t = tokenizer.next()) { String[] array = {t.termText()}; query.addRequiredPhrase(array, t.type()); } return query; } } 二、测试 在命令行执行: >java "-Ddic.dir=D:/SSeg/Dic" -classpath D:\lucenne\lucene-1.4-final.jar;D:\SSeg\lib\seg.jar;D:\SSeg\lib\nutch.jar net.nutch.analysis.NutchAnalysis 返回的查询对象内容是: Query: ns:厦门 n:大学 n:艺术 vn:教育 n:学院 b:副 n:院长 nr:李 nr:未明 n:教授 d:长期 v:从事 n:音乐 vn:教学 w:, 在unix的命令行下执行略有不同: $java "-Ddic.dir=/home/nutch/Dic" -cp /home/nutch/lib/lucene-1.4-final.jar:/home/nutch/lib/seg.jar:/home/nutch/lib/nutch.jar net.nutch.analysis.NutchAnalysis |
|